14 октября 2026 года xAI представила Grok Voice 3.0 — новую версию своей голосовой модели для голосовых агентов. Она принимает устную речь и отвечает устной речью. Используется через Voice Agent API по той же ставке, что и предыдущая версия: 0,08 $ за минуту.
Что произошло
Несколько сообщений сходятся в том, что xAI сделала Grok Voice 3.0 доступной 14 октября 2026 года как модель speech-to-speech в Voice Agent API по ставке 0,08 $ за минуту. Это 4,80 $ в час и та же ставка, что у Grok Voice 2.0. Приложения, использующие псевдоним grok-voice-latest, были автоматически переведены на версию 3.0 без изменений кода.
Что умеет модель
По сообщениям, Grok Voice 3.0 владеет 20 языками с автоматическим определением. Значит, она может посреди разговора сменить язык, не требуя заранее выбрать его. У неё 28 встроенных голосов, а команды могут клонировать собственный голос по эталонному фрагменту длиной до 120 секунд. Прерывания обрабатываются на стороне сервера через определение речевой активности (Voice Activity Detection).
О скорости: время до первого звука — около 0,81 секунды. Это медленнее, чем у предшественника, где оно составляло 0,70 секунды. По одному обзору, конкурирующая модель GPT-Live-1, напротив, отвечает лишь через 1,34 секунды.
Оценки
По объявлению xAI, независимая проверка Artificial Analysis от 13 октября 2026 года ставит Grok Voice 3.0 на первое место в индексе Speech-to-Speech Index с 86,9 балла. Этот индекс, как поясняет одно сообщение, смешивает устные рассуждения, имитированные звонки в поддержку и слепые тесты предпочтений. xAI называет модель самой интеллектуальной speech-to-speech моделью в мире.
По стоимости на задачу xAI приводит в одном прогоне теста Big Bench Audio 0,025 $ для Grok Voice 3.0, 0,030 $ для GPT-Live-1 и 0,055 $ для GPT-Realtime-2.1. Это цифры xAI со ссылкой на Artificial Analysis.
Одно сообщение возражает громкой формулировке: в тесте поддержки клиентов τ-Voice Grok получает 71,6 %, а GPT-Live-1 — 74,5 %. В тесте Full Duplex Bench, измеряющем, насколько естественно модель обращается с паузами, сменой говорящего и прерываниями, Grok Voice 3.0 набирает 97 %. Поэтому один обзор называет фразу «самая интеллектуальная модель в мире» маркетингом.
Контекст
Grok Voice 3.0 стоит в ряду: Voice Agent API существовал уже с Grok Voice 2.0 по той же ставке 0,08 $ за минуту. В бета-фазе сервиса ставка составляла 0,05 $ за минуту. В качестве моделей для сравнения сообщения называют GPT-Live-1 и GPT-Realtime-2.1.
Названные числа в обзоре, каждое — по данным xAI или сообщений о них:
| Измерение | Grok Voice 3.0 | Сравнение |
|---|---|---|
| Speech-to-Speech Index (Artificial Analysis) | 86,9, первое место | – |
| Время до первого звука | 0,81 с | Предшественник 0,70 с; GPT-Live-1 1,34 с |
| Тест поддержки клиентов τ-Voice | 71,6 % | GPT-Live-1 74,5 % |
| Full Duplex Bench | 97 % | – |
| Стоимость на задачу (Big Bench Audio) | 0,025 $ | GPT-Live-1 0,030 $; GPT-Realtime-2.1 0,055 $ |
xAI приводит пример применения из собственного окружения. По нему колл-центры Starlink отвечают с помощью Grok Voice на 20 000 звонков клиентов в день на нескольких языках, и около 70 % из них решаются без человека. Эти данные принадлежат xAI и независимо не подтверждены.
В названии компании источники непоследовательны. В зависимости от сообщения поставщик называется xAI, SpaceXAI или SpaceXSI; имеется в виду одна и та же компания, стоящая за Grok. Эта заметка остаётся при «xAI», как и исходное сообщение.
По затратам сообщения указывают на подводные камни. Минутные ставки нельзя просто сравнивать между поставщиками, потому что единицы учёта различаются. Вызовы инструментов могут оплачиваться отдельно. А некоторые страницы третьих лиц всё ещё называют 0,05 $ за минуту — ставку из бета-фазы сервиса; она устарела.
Что это значит
Для разработчиков, создающих голосовых агентов, минутная ставка остаётся прежней, а переход на версию 3.0 происходит сам через псевдоним. Кто выбирает модель, должен измерить собственное приложение: цифры по времени ответа и тесту поддержки неоднозначны, а громкие утверждения исходят от поставщика.
Для компаний со службой поддержки сообщение — знак того, что голосовые агенты на рынке становятся дешевле и шире. Подходит ли конкретное применение, зависит от вашего случая; утверждение, что около 70 % звонков у Starlink решаются без человека, — самоотчёт xAI.
Для всех остальных сообщение касается в основном техники в фоне. Оно показывает, что поставщики предлагают свои голосовые модели для разговоров с клиентами на нескольких языках; будете ли вы сами и где разговаривать с таким агентом, из источников не видно.
Замечание о толковании: использованные источники — в основном объявления и сообщения о них. Независимого теста, подтверждающего все названные цифры, не было.
Частые вопросы
Сколько стоит Grok Voice 3.0?
0,08 $ за минуту в Voice Agent API, то есть 4,80 $ в час. Ставка та же, что у Grok Voice 2.0. Вызовы инструментов могут оплачиваться отдельно.
Что такое речевая модель speech-to-speech?
Модель, которая понимает устную речь напрямую и отвечает напрямую устной речью, а не преобразует сначала речь в текст, а текст обратно в речь. Она предназначена для голосовых агентов, например в службе поддержки.
Нужно ли разработчикам что-то менять?
Не обязательно: по сообщениям, приложения, использующие псевдоним grok-voice-latest, были переведены на версию 3.0 автоматически, без изменений кода.
Действительно ли Grok Voice 3.0 — лучшая голосовая модель?
В индексе Speech-to-Speech Index компании Artificial Analysis она на первом месте с 86,9. Но в тесте на звонки в службу поддержки (τ-Voice) она набирает 71,6 % против 74,5 % у GPT-Live-1, а время до первого звука выросло с 0,70 до 0,81 секунды. Многие цифры принадлежат самой xAI.
